Nový rámec pre AI agentov spája kognitívnu úlohu a topológiu behu do jednej mapy

Nový preprint na arXive s názvom A Two-Dimensional Framework for AI Agent Design Patterns: Cognitive Function and Execution Topology sa pokúša upratať jednu z najzamotanejších častí dnešnej agentickej debaty. Autori Jia Huang a Joey Tianyi Zhou tvrdia, že doterajšie opisy agentických architektúr zvyčajne pozerajú iba na jednu os problému. Priemyselné príručky sa sústredia najmä na topológiu vykonávania, teda na to, ako medzi komponentmi tečú dáta a kroky. Kognitívne orientované prehľady zas riešia, akú mentálnu úlohu agent plní. Samostatne však ani jeden pohľad nestačí na to, aby spoľahlivo rozlíšil, prečo dve naoko podobné architektúry zlyhávajú odlišným spôsobom.

Táto výhrada je praktickejšia, než sa môže zdať. V súčasnom hype cykle sa veľká časť agentických systémov popisuje skratkami typu orchestrator-workers, planner-executor alebo reflexný agent, pričom sa často miešajú dve rôzne veci: funkcia a tvar workflow. Rovnaká topológia môže podľa autorov implementovať plánovanie, hierarchickú delegáciu aj adversariálne overovanie, hoci každé z týchto usporiadaní má iné riziká, úzke miesta a spôsob ladenia. Ak teda tím zvolí zlé pomenovanie problému, môže si odniesť aj zlé očakávania od nástrojov, benchmarkov či bezpečnostných kontrol.

Navrhovaný rámec preto zavádza dve osi naraz. Prvou je os kognitívnej funkcie so siedmimi kategóriami: context engineering, memory, reasoning, action, reflection, collaboration a governance. Ide o odpoveď na otázku, čo presne je hlavná práca agenta v konkrétnej časti systému. Druhou je os topológie vykonávania so šiestimi archetypmi: chain, route, parallel, orchestrate, loop a hierarchy. Táto os sa pýta, ako je workflow poskladané a aké štrukturálne väzby vytvára medzi krokmi či podagentmi. Až kombinácia oboch osí podľa autorov vytvorí dosť presný jazyk na popis reálnych systémov.

Výsledkom je matica 7 krát 6, v ktorej autori identifikujú 27 pomenovaných vzorov, z toho 13 označujú za pôvodné názvy. Nejde pritom len o teoretické cvičenie v taxonómii. Cieľom je ponúknuť slovník, ktorý je súčasne modelovo agnostický aj frameworkovo neutrálny. To je dôležité v čase, keď agentické systémy vznikajú naprieč rozdielnymi stackmi od LangGraphu a PydanticAI po vlastné interné orchestrátory. Ak má mať diskusia o spoľahlivosti, cene a rizikách nejaký spoločný základ, musí sa vedieť odlepiť od konkrétnych vendor pomenovaní a pomenovať architektúru hlbšie než len značkou nástroja.

Autori tvrdia, že ortogonalitu oboch osí testujú systematickou krížovou analýzou a detailne rozoberajú osem reprezentatívnych vzorov. Rámec ďalej aplikujú na štyri domény z reálneho sveta: finančné úverovanie, právne due diligence, sieťové operácie a zdravotnícku triáž. Práve táto časť je dôležitá pre čitateľa, ktorý nemá záujem len o ďalší akademický diagram. Výber domén naznačuje, že autori sa nesnažia klasifikovať iba chatbotové hračky, ale typy systémov, kde sa agentické rozhodovanie stretáva s časovým tlakom, chybovou asymetriou a obmedzenou toleranciou na zlyhanie.

Zaujímavým výstupom je aj formulácia piatich empirických zákonov výberu vzorov. Tie sa týkajú vzťahu medzi environmentálnymi obmedzeniami a architektonickým rozhodovaním, napríklad medzi časovým tlakom, mierou akčnej autority, asymetriou nákladov zlyhania alebo objemom úloh. Inými slovami, paper sa nesnaží povedať len to, ako systémy pomenovať, ale aj to, prečo sa v odlišnom prostredí prirodzene prikláňajú k rôznym vzorom. Ak by sa tento smer uchytil, mohol by byť užitočný pri navrhovaní interných review checklistov, bezpečnostných hodnotení aj pri porovnávaní systémov, ktoré dnes vyzerajú marketingovo podobne, no prevádzkovo sú úplne inde.

Pre prax je na texte zaujímavé ešte niečo iné. Väčšina diskusie o agentoch sa dnes láme medzi dvoma extrémami: buď sa redukuje na dizajnové patterny bez merateľného napojenia na prostredie, alebo sa rozpadá na konkrétne implementačné detaily jednotlivých frameworkov. Tento paper sa pokúša vtesnať medzi oba póly a ponúknuť strednú vrstvu, teda jazyk, ktorý je dosť abstraktný na porovnávanie naprieč nástrojmi, ale dosť konkrétny na to, aby niesol implikácie pre zlyhania a trade-offy. Pre architektov systémov, ktorí musia obhájiť, prečo použili paralelný zber signálov namiesto hierarchickej delegácie alebo prečo do workflow pridali reflexnú slučku, môže byť takýto slovník prakticky užitočný.

Samozrejme, treba zostať opatrný. Ide o preprint, nie o recenzovaný štandard, a taxonómie v AI majú sklon rýchlo starnúť, keď sa mení infraštruktúra aj produktové pomenovania. Paper tiež sám osebe nedokazuje, že konkrétny vzor je lepší než iný; skôr vytvára rámec, v ktorom sa dajú tieto porovnania robiť presnejšie. Aj tak však prichádza v správnom čase. Trh je zaplavený rečami o agentoch, no stále mu chýba spoločná mapa, ktorá by odlíšila módne slogany od architektonicky odlišných systémov. Ak sa dvojrozmerný rámec uchytí aspoň v odbornej debate, môže pomôcť spratať časť terminologického chaosu, ktorý dnes brzdí seriózne hodnotenie agentických produktov.

Pre AI Feed je preto táto práca zaujímavá nie ako senzácia, ale ako infraštruktúrny výskumný signál. Mnohé firmy sa dnes predbiehajú v tom, že majú agentov, no menej jasné je, podľa akého jazyka ich vôbec porovnávať. Huang a Zhou navrhujú mapu, ktorá spája účel aj mechaniku. Ak sa ujme, môže byť užitočná nielen vo výskume, ale aj pri nákupe enterprise riešení, bezpečnostnom audite a návrhu benchmarkov pre ďalšiu generáciu agentických systémov.